组队学习：基于决策树的分类预测

最新推荐文章于 2023-06-07 09:34:48 发布
最新推荐文章于 2023-06-07 09:34:48 发布
阅读量371 收藏
点赞数
原文链接：https://developer.aliyun.com/ai/scenario/bb2fe211e5e94017840ce42cc31fe621
版权

https://www.cnblogs.com/pinard/p/6050306.html

1.决策树ID3，C4. 5，CART的区别
2.掌握Bagging 和Boosting
3.掌握随机森林，XGBoost原理
4.随机森林，XGB，LGB的各自区别（面试常问）
5.GBDT和XGB的区别

流程

输入： 训练集D={($x_1$,$y_1$),($x_2$,$y_2$),....,($x_m$,$y_m$)};    
特征集A={$a_1$,$a_2$,....,$a_d$}
    
输出： 以node为根节点的一颗决策树
    
过程：函数TreeGenerate($D$,$A$)    
1. 生成节点node    
2. $if$ $D$中样本全书属于同一类别$C$ $then$:    
3. ----将node标记为$C$类叶节点；$return$    
4. $if$ $A$ = 空集 OR D中样本在$A$上的取值相同 $then$:
5. ----将node标记为叶节点，其类别标记为$D$中样本数最多的类；$return$
6. 从 $A$ 中选择最优划分属性 $a_*$;
7. $for$ $a_*$ 的每一个值 $a_*^v$ $do$:
8. ----为node生成一个分支，令$D_v$表示$D$中在$a_*$上取值为$a_*^v$的样本子集；
9. ----$if$ $D_v$ 为空 $then$:
10. --------将分支节点标记为叶节点，其类别标记为$D$中样本最多的类;$then$
11. ----$else$:
12. --------以 TreeGenerate($D_v$,$A$\{$a_*$})为分支节点

决策树的构建过程是一个递归过程。函数存在三种返回状态：（1）当前节点包含的样本全部属于同一类别，无需继续划分；（2）当前属性集为空或者所有样本在某个属性上的取值相同，无法继续划分；（3）当前节点包含的样本集合为空，无法划分。

划分选择

从上述伪代码中我们发现，决策树的关键在于line6.从𝐴A中选择最优划分属性𝑎∗𝑎∗，一般我们希望决策树每次划分节点中包含的样本尽量属于同一类别，也就是节点的“纯度”更高。

2.4.2.1 信息增益

信息熵是一种衡量数据混乱程度的指标，信息熵越小，则数据的“纯度”越高

其中𝑝𝑘pk代表了第𝑘k类样本在𝐷D中占有的比例。

假设离散属性𝑎a有𝑉V个可能的取值{𝑎1a1,𝑎2a2,....,𝑎𝑉aV}，若使用𝑎a对数据集𝐷D进行划分，则产生𝐷D个分支节点，记为𝐷𝑣Dv。则使用𝑎a对数据集进行划分所带来的信息增益被定义为：

一般的信息增益越大，则意味着使用特征𝑎a来进行划分的效果越好。

2.4.2.2 基尼指数

$\begin{aligned} \operatorname{Gini}(D) &=\sum_{k=1}^{|\mathcal{Y}|} \sum_{k^{\prime} \neq k} p_{k} p_{k^{\prime}} \\ &=1-\sum_{k=1}^{|\mathcal{Y}|} p_{k}^{2} \end{aligned}$基尼指数反映了从数据集𝐷D中随机抽取两个的类别标记不一致的概率。

使用特征𝑎a对数据集𝐷D划分的基尼指数定义为上。

 重要参数

2.4.3.1 criterion

Criterion这个参数正是用来决定模型特征选择的计算方法的。sklearn提供了两种选择：

  • 输入”entropy“，使用信息熵（Entropy）

  • 输入”gini“，使用基尼系数（Gini Impurity）

2.4.3.2 random_state & splitter

random_state用来设置分枝中的随机模式的参数，默认None，在高维度时随机性会表现更明显。splitter也是用来控制决策树中的随机选项的，有两种输入值，输入”best"，决策树在分枝时虽然随机，但是还是会优先选择更重要的特征进行分枝（重要性可以通过属性feature_importances_查看），输入“random"，决策树在分枝时会更加随机，树会因为含有更多的不必要信息而更深更大，并因这些不必要信息而降低对训练集的拟合。

2.4.3.3 max_depth

限制树的最大深度，超过设定深度的树枝全部剪掉。这是用得最广泛的剪枝参数，在高维度低样本量时非常有效。决策树多生长一层，对样本量的需求会增加一倍，所以限制树深度能够有效地限制过拟合。

2.4.3.4 min_samples_leaf

min_samples_leaf 限定，一个节点在分枝后的每个子节点都必须包含至少min_samples_leaf个训练样本，否则分枝就不会发生，或者，分枝会朝着满足每个子节点都包含min_samples_leaf个样本的方向去发生。一般搭配max_depth使用，在回归树中有神奇的效果，可以让模型变得更加平滑。这个参数的数量设置得太小会引起过拟合，设置得太大就会阻止模型学习数据。

 

 

1.决策树的介绍

决策树是一种常见的分类模型，在金融分控、医疗辅助诊断等诸多行业具有较为广泛的应用。决策树的核心思想是基于树结构对数据进行划分，这种思想是人类处理问题时的本能方法。例如在婚恋市场中，女方通常会先看男方是否有房产，如果有房产再看是否有车产，如果有车产再看是否有稳定工作……最后得出是否要深入了解的判断。

决策树的主要优点：

  1. 具有很好的解释性，模型可以生成可以理解的规则。

  2. 可以发现特征的重要程度。

  3. 模型的计算复杂度较低。

决策树的主要缺点：

  1. 模型容易过拟合，需要采用减枝技术处理。

  2. 不能很好利用连续型特征。

  3. 预测能力有限，无法达到其他强监督模型效果。

  4. 方差较高，数据分布的轻微改变很容易造成树结构完全不同。

 

2.决策树的应用

由于决策树模型中自变量与因变量的非线性关系以及决策树简单的计算方法，使得它成为集成学习中最为广泛使用的基模型。梯度提升树(GBDT)，XGBoost以及LightGBM等先进的集成模型都采用了决策树作为基模型，在广告计算、CTR预估、金融风控等领域大放异彩，成为当今与神经网络相提并论的复杂模型，更是数据挖掘比赛中的常客。在新的研究中，南京大学周志华老师提出一种多粒度级联森林模型，创造了一种全新的基于决策树的深度集成方法，为我们提供了决策树发展的另一种可能。

同时决策树在一些需要明确可解释甚至提取分类规则的场景中被广泛应用，而其他机器学习模型在这一点很难做到。例如在医疗辅助系统中，为了方便专业人员发现错误，常常将决策树算法用于辅助病症检测。例如在一个预测哮喘患者的模型中，医生发现测试的许多高级模型的效果非常差。所以他们在数据上运行了一个决策树的模型，发现算法认为剧烈咳嗽的病人患哮喘的风险很小。但医生非常清楚剧烈咳嗽一般都会被立刻检查治疗，这意味着患有剧烈咳嗽的哮喘病人都会马上得到收治。用于建模的数据认为这类病人风险很小，是因为所有这类病人都得到了及时治疗，所以极少有人在此之后患病或死亡。

 

Part1 Demo实践

  • Step1:库函数导入

##  基础函数库
import numpy as np 

## 导入画图库
import matplotlib.pyplot as plt
import seaborn as sns

## 导入决策树模型函数
from sklearn.tree import DecisionTreeClassifier
from sklearn import tree

  • Step2:模型训练

  • ##Demo演示LogisticRegression分类

## 构造数据集
x_fearures = np.array([[-1, -2], [-2, -1], [-3, -2], [1, 3], [2, 1], [3, 2]])
y_label = np.array([0, 1, 0, 1, 0, 1])

## 调用决策树回归模型
tree_clf = DecisionTreeClassifier()

## 调用决策树模型拟合构造的数据集
tree_clf = tree_clf.fit(x_fearures, y_label)

     

  • Step3:数据和模型可视化

  • ## 可视化构造的数据样本点
plt.figure()
plt.scatter(x_fearures[:,0],x_fearures[:,1], c=y_label, s=50, cmap='viridis')
plt.title('Dataset')
plt.show()

## 可视化决策树
import graphviz
dot_data = tree.export_graphviz(tree_clf, out_file=None)
graph = graphviz.Source(dot_data)
graph.render("pengunis")

  •  

  • Step4:模型预测

## 创建新样本
x_fearures_new1 = np.array([[0, -1]])
x_fearures_new2 = np.array([[2, 1]])

## 在训练集和测试集上分布利用训练好的模型进行预测
y_label_new1_predict = tree_clf.predict(x_fearures_new1)
y_label_new2_predict = tree_clf.predict(x_fearures_new2)

print('The New point 1 predict class:\n',y_label_new1_predict)
print('The New point 2 predict class:\n',y_label_new2_predict)

 

Part2 数据分析

2.3.2 基于企鹅数据集的决策树实战

本次我们选择企鹅数据（palmerpenguins）进行方法的尝试训练，该数据集一共包含8个变量，其中7个特征变量，1个目标分类变量。共有150个样本，目标变量为 企鹅的类别 其都属于企鹅类的三个亚属，分别是(Adélie, Chinstrap and Gentoo)。包含的三种种企鹅的七个特征，分别是所在岛屿，嘴巴长度，嘴巴深度，脚蹼长度，身体体积，性别以及年龄。

  • Step1:库函数导入

#下载需要用到的数据集
!wget https://tianchi-media.oss-cn-beijing.aliyuncs.com/DSW/6tree/penguins_raw.csv

##  基础函数库
import numpy as np 
import pandas as pd

## 绘图函数库
import matplotlib.pyplot as plt
import seaborn as sns

  • Step2:数据读取/载入

## 我们利用Pandas自带的read_csv函数读取并转化为DataFrame格式

data = pd.read_csv('./penguins_raw.csv')


## 为了方便我们仅选取四个简单的特征，有兴趣的同学可以研究下其他特征的含义以及使用方法
data = data[['Species','Culmen Length (mm)','Culmen Depth (mm)',
            'Flipper Length (mm)','Body Mass (g)']]

  • Step3:数据信息简单查看

## 利用.info()查看数据的整体信息
data.info()
data.head()
data = data.fillna(-1)
data.tail()


## 其对应的类别标签为'Adelie Penguin', 'Gentoo penguin', 'Chinstrap penguin'三种不同企鹅的类别。
data['Species'].unique()

## 利用value_counts函数查看每个类别数量
pd.Series(data['Species']).value_counts()

## 对于特征进行一些统计描述
data.describe()

  • Step4:可视化描述

## 特征与标签组合的散点可视化
sns.pairplot(data=data, diag_kind='hist', hue= 'Species')
plt.show()

从上图可以发现，在2D情况下不同的特征组合对于不同类别的企鹅的散点分布，以及大概的区分能力。Culmen Lenth与其他特征的组合散点的重合较少，所以对于数据集的划分能力最好。

'''为了方便我们将标签转化为数字
       'Adelie Penguin (Pygoscelis adeliae)'        ------0
       'Gentoo penguin (Pygoscelis papua)'          ------1
       'Chinstrap penguin (Pygoscelis antarctica)   ------2 '''

def trans(x):
    if x == data['Species'].unique()[0]:
        return 0
    if x == data['Species'].unique()[1]:
        return 1
    if x == data['Species'].unique()[2]:
        return 2

data['Species'] = data['Species'].apply(trans)

for col in data.columns:
    if col != 'Species':
        sns.boxplot(x='Species', y=col, saturation=0.5, palette='pastel', data=data)
        plt.title(col)
        plt.show()

# 选取其前三个特征绘制三维散点图
from mpl_toolkits.mplot3d import Axes3D

fig = plt.figure(figsize=(10,8))
ax = fig.add_subplot(111, projection='3d')

data_class0 = data[data['Species']==0].values
data_class1 = data[data['Species']==1].values
data_class2 = data[data['Species']==2].values
# 'setosa'(0), 'versicolor'(1), 'virginica'(2)
ax.scatter(data_class0[:,0], data_class0[:,1], data_class0[:,2],label=data['Species'].unique()[0])
ax.scatter(data_class1[:,0], data_class1[:,1], data_class1[:,2],label=data['Species'].unique()[1])
ax.scatter(data_class2[:,0], data_class2[:,1], data_class2[:,2],label=data['Species'].unique()[2])
plt.legend()

plt.show()

Part3 建模预测

  • Step1:利用 决策树模型 在二分类上 进行训练和预测

## 为了正确评估模型性能，将数据划分为训练集和测试集，并在训练集上训练模型，在测试集上验证模型性能。
from sklearn.model_selection import train_test_split

## 选择其类别为0和1的样本 （不包括类别为2的样本）
data_target_part = data[data['Species'].isin([0,1])][['Species']]
data_features_part = data[data['Species'].isin([0,1])][['Culmen Length (mm)','Culmen Depth (mm)',
            'Flipper Length (mm)','Body Mass (g)']]

## 测试集大小为20%， 80%/20%分
x_train, x_test, y_train, y_test = train_test_split(data_features_part, data_target_part, test_size = 0.2, random_state = 2020)

## 从sklearn中导入决策树模型
from sklearn.tree import DecisionTreeClassifier
from sklearn import tree
## 定义 决策树模型 
clf = DecisionTreeClassifier(criterion='entropy')
# 在训练集上训练决策树模型
clf.fit(x_train, y_train)
## 可视化
import graphviz
dot_data = tree.export_graphviz(clf, out_file=None)
graph = graphviz.Source(dot_data)
graph.render("penguins")


## 在训练集和测试集上分布利用训练好的模型进行预测
train_predict = clf.predict(x_train)
test_predict = clf.predict(x_test)
from sklearn import metrics

## 利用accuracy（准确度）【预测正确的样本数目占总预测样本数目的比例】评估模型效果
print('The accuracy of the Logistic Regression is:',metrics.accuracy_score(y_train,train_predict))
print('The accuracy of the Logistic Regression is:',metrics.accuracy_score(y_test,test_predict))

## 查看混淆矩阵 (预测值和真实值的各类情况统计矩阵)
confusion_matrix_result = metrics.confusion_matrix(test_predict,y_test)
print('The confusion matrix result:\n',confusion_matrix_result)

# 利用热力图对于结果进行可视化
plt.figure(figsize=(8, 6))
sns.heatmap(confusion_matrix_result, annot=True, cmap='Blues')
plt.xlabel('Predicted labels')
plt.ylabel('True labels')
plt.show()

 

  • Step2:利用 决策树模型 在三分类(多分类)上 进行训练和预测

## 测试集大小为20%， 80%/20%分
x_train, x_test, y_train, y_test = train_test_split(data[['Culmen Length (mm)','Culmen Depth (mm)',
            'Flipper Length (mm)','Body Mass (g)']], data[['Species']], test_size = 0.2, random_state = 2020)
## 定义 决策树模型 
clf = DecisionTreeClassifier()
# 在训练集上训练决策树模型
clf.fit(x_train, y_train)


## 在训练集和测试集上分布利用训练好的模型进行预测
train_predict = clf.predict(x_train)
test_predict = clf.predict(x_test)

## 由于决策树模型是概率预测模型（前文介绍的 p = p(y=1|x,\theta)）,所有我们可以利用 predict_proba 函数预测其概率
train_predict_proba = clf.predict_proba(x_train)
test_predict_proba = clf.predict_proba(x_test)

print('The test predict Probability of each class:\n',test_predict_proba)
## 其中第一列代表预测为0类的概率，第二列代表预测为1类的概率，第三列代表预测为2类的概率。

## 利用accuracy（准确度）【预测正确的样本数目占总预测样本数目的比例】评估模型效果
print('The accuracy of the Logistic Regression is:',metrics.accuracy_score(y_train,train_predict))
print('The accuracy of the Logistic Regression is:',metrics.accuracy_score(y_test,test_predict))

 

## 查看混淆矩阵
confusion_matrix_result = metrics.confusion_matrix(test_predict,y_test)
print('The confusion matrix result:\n',confusion_matrix_result)

# 利用热力图对于结果进行可视化
plt.figure(figsize=(8, 6))
sns.heatmap(confusion_matrix_result, annot=True, cmap='Blues')
plt.xlabel('Predicted labels')
plt.ylabel('True labels')
plt.show()

 

艾学习
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
penguins_raw.csv
08-12
机器学习决策树企鹅数据集 决策树是一种常见的分类模型，在金融分控、医疗辅助诊断等诸多行业具有较为广泛的应用。决策树的核心思想是基于树结构对数据进行划分，这种思想是人类处理问题时的本能方法。例如在婚恋市场中，女方通常会先看男方是否有房产，如果有房产再看是否有车产，如果有车产再看是否有稳定工作……最后得出是否要深入了解的判断。
python热力图
XinemaChen的博客
05-03 463
其实之前网上有很多代码 主要是记录一下，首先是对日期的处理，把csv里面的日期，转换成python可以识别的日期，之后又把它转换成月份/日期 我的数据是第一列为日期，其他列的列名都为年份 sb.heatmap之后报错，后来发现需要将index设为日期 以此记录 import matplotlib.pyplot as plt import numpy as np import pandas as pd import seaborn as sb from matplotlib import colo
数据结构 - 决策树(分类)
为了更好的未来_加油
05-21 9039
数据结构 - 决策树一决策树的介绍二决策树的构造使用决策树做预测需要以下过程：1.信息熵2.条件熵(Conditional Entropy)与[信息增益](https://so.csdn.net/so/search?q=信息增益&spm=1001.2101.3001.7020)（Information Gain）3.信息增益做特征选择的优缺点4.信息增益比(Infomation Gain Ratio)5.Gini系数 一决策树的介绍 决策树（decision tree）：是一种基本的分类与回归方法，
2020.08.22_Task1.2_基于逻辑斯特模型，实现分类预测(2)
William_ywh的博客
08-22 396
上一次，采用了一个自己创造的数据作为数据集，展示了一个Python3.0版本的基于逻辑回归模型实现分类预测功能的代码块。 这回就实战看一下，应用非常著名的莺尾花数据集，通过逻辑回归实现分类预测功能。 流程还是一样了： 1.1 导入基本函数库+绘图指令库 import numpy as py; import pandas as pd; 1.2 从库中导入鸢尾花数据集 from sklearn.datasets import load_iris; 2 将鸢尾花数据做处理，变成Python中的sklearn
数据挖掘系列（6）决策树分类算法
weixin_30687811的博客
08-20 3118
　　从这篇开始，我将介绍分类问题，主要介绍决策树算法、朴素贝叶斯、支持向量机、BP神经网络、懒惰学习算法、随机森林与自适应增强算法、分类模型选择和结果评价。总共7篇，欢迎关注和交流。 　　这篇先介绍分类问题的一些基本知识，然后主要讲述决策树算法的原理、实现，最后利用决策树算法做一个泰坦尼克号船员生存预测应用。 一、分类基本介绍 　　物以类聚，人以群分，分类问题只古以来就出现我们的生活中。分类...
组队学习6：综合题（一）（基于Python）
01-20
组队学习介绍   最近事情太多（以及人太懒），好久没有空更新博客，遂报名公众号Datawhale的Pandas学习小组来督促自己学习。学习小组的目的主要是细致地学习Python中的第三方模块Pandas，该模块用于数据导入及整理...
组队学习2：Pandas索引（一）（基于Python）
12-21
组队学习介绍   最近事情太多（以及人太懒），好久没有空更新博客，遂报名公众号Datawhale的Pandas学习小组来督促自己学习。学习小组的目的主要是细致地学习Python中的第三方模块Pandas，该模块用于数据导入及整理...
数学建模竞赛组队及成绩预测.doc
09-19
数学建模竞赛组队及成绩预测
pytorch组队学习
01-20
我们的目的是基于当前的输入与过去的输入序列，预测序列的下一个字符。循环神经网络引入一个隐藏变量H，用Ht表示H在时间步t的值。Ht的计算基于Xt和Ht−1，可以认为Ht记录了到当前字符为止的序列信息，利用Ht对序列的...
DataWhale组队学习打卡（二）
01-06
记《手动学深度学习》组队学习第二次打卡 打卡内容 线性回归代码实现（基于Pytorch） 理论复习 线性回归理论部分可参考上一篇博客 线性回归模型从零开始的实现 借助jupyter运行代码，方便清晰展示各环节的输出情况。...
决策树详解
weixin_41690708的博客
07-04 1875
决策树（ID3、C4.5和CART算法） 决策树是什么 下面主要讨论用与分类的决策树。决策树呈树形结构，在分类问题中，表示基于特征对实例进行分类的过程。学习时，利用训练数据，根据损失函数最小化的原则建立决策树模型；预测时，对新的数据，利用决策模型进行分类。 决策树的分类：决策树可以分为两类，主要取决于它目标变量的类型。 离散性决策树：离散性决策树，其目标变量是离散的，如性别：男或女等； ...
weka决策树结果怎么看_看不清热图的聚类结果怎么办？
weixin_39716921的博客
12-08 1032
pheatmap是一个绘制热图的常用R包。小编也经常用该R包来绘制聚类热图。不过，今天小编不是来教大家怎么画热图的(画图教程点这里)，请接着往下看(先卖个关子)。在生信分析中，我们常常需要画热图来评估几个数据集之间相关的程度(样本间相关系数)。今天我们就来看一个绘制相关性的例子。library(pheatmap)library(Hmisc)fpkm_datacorcolor=color...
决策树分类
Juily家的小蜜果
04-27 4466
决策树 先构造树形结构，再进行一系列决策，决策树是分类算法，也能做回归。 比如有五个人(样本数据)，打算分类谁愿意打篮球，根据年龄和性别进行决策分类。 第一次先通过其中特征进行部分选择，再在子类中根据另一个特征再分类。最后一个叶子节点就是最终分类结果。 决策树算法以树状结构表示数据分类的结果。每个决策点实现一个具有离散点输出的测试函数，记为分支。 训练阶段 从给定的训练数据集DB，构造出一棵决策树。 Class = DecisionTree(DB) 分类阶段 从根开始，按照决策树的分类属性逐层往下划分
数据挖掘实战（四）--用决策树预测获胜球队
bb8886的博客
03-03 7226
决策树、随机森林等估计器
利用机器学习之决策树进行预测分析
weixin_44853798的博客
12-07 2248
机器学习
如何使用决策树来预测(1)--建树原理和剪枝
baidu_26137595的博客
06-12 2786
决策树是机器学习算法中的最好入手的算法之一，利用像树一样的图形来辅助决策，其可解释性强、能够转化为规则、计算速度快，应用非常广泛。在实际应用中，决策树常常作为组合算法的基模型，也被作为白盒模型，用来解释黑盒模型预测结果。本文介绍决策树的建树原理及剪枝方法。...
【机器学习】决策树分类（简介、原理、代码）
weixin_44715077的博客
05-04 7927
决策树分类 一、决策树分类简介： 决策树方法是利用信息论中的信息增益寻找数据库中具有最大信息量的属性字段，建立决策树的一个结点，再根据该属性字段的不同取值建立树的分支，再在每个分支子集中重复建立树的下层结点和分支的一个过程，构造决策树的具体过程为：首先寻找初始分裂，整个训练集作为产生决策树的集合,训练集每个记录必须是已经分好类的，以决定哪个属性域作为目前最好的分类指标，一般的做法是穷尽所有...
基于决策树的泰坦尼克号数据集回归预测
ZHW-鲜橙大AI课题组的博客
06-07 2040
任正福，男，西安工程大学电子信息学院，2022级研究生研究方向：混响背景下目标回波检测电子邮件：[email protected]陈梦丹，女，西安工程大学电子信息学院，2022级硕士研究生，张宏伟人工智能课题组研究方向：机器视觉与人工智能电子邮件：[email protected]数据集下载：泰坦尼克号数据集来源于kaggle官网，如果你已经注册过账号，可以直接在官网下载。如果你没有注册或者注册失败（常见问题是没有验证码），你可以在国内的天池网站上下载。
Task02 基于决策树的分类预测
qq_33253721的博客
08-21 1073
1决策树的介绍和应用 决策树的核心思想是基于树结构对数据进行划分： 1.1 决策树的主要优点： （1） 具有很好的解释性，模型可以生成可以理解的规则。 何为可解释性？即模型逻辑/预测结果多大程度上是人类可以理解的，也就是说我们能够理解一个模型的整个逻辑，并遵循整个推理导致所有不同的可能结果。 （2）可以发现特征的重要程度。 特征的重要程度，比如我们如何知道根节点需要选择“有房”这个属性，而不是其他的“有车”“有存款”等等？数学上有一种方法就是信息熵。整个过程的描述有点复杂，可以查看链接: link.除了信
unity mirror 组队
最新发布
11-01
Unity Mirror是一种非常有用的组队工具，它允许多个玩家共享和交互的游戏世界。无论是开发多人在线游戏、合作游戏还是竞技游戏，Unity Mirror都能提供强大的网络功能。 借助Unity Mirror，我们可以轻松地创建一个...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值